基于BIC准则和加权皮尔逊距离的居民负荷模式精细识别及预测

针对居民日用电负荷的聚类分析和预测问题提出了一种基于居民用电负荷模式精细分类的预测框架。为了提高用于聚类分析的特征质量,首先基于贝叶斯信息准则(BIC)实现特征筛选。然后,采用基于加权皮尔逊距离的密度峰值法实现居民用电负荷曲线形态的准确识别。接下来,通过融合激活函数的方法对长短期记忆(LSTM)预测网络进行改进。最后,利用改进后的LSTM网络对精细分类的居民用电负荷模式进行预测。实验结果表明,根据所提出的方法得到的预测误差指标为平均绝对百分误差(MAPE),MAPE=6.6792%,提高了负荷预测质量,在居民用电负荷预测中具有较好的效果。

联合BIC准则和多重注意力机制的空调能耗预测

建筑空调系统能耗预测对空调系统优化控制至关重要,因此提出一种联合BIC(贝叶斯信息)准则和多重注意力机制的空调能耗预测模型。针对空调能耗影响特征的复杂性,采用BIC分别对气象特征和空调内部特征进行特征选择,并引入双特征注意力机制。为改善双向长短期记忆网络(BiLSTM)梯度消失的问题,改进了网络的激活函数,并在此基础上引入时序注意力机制,以提高模型在长时间序列预测时的稳定性。最后,以某建筑空调系统为例对模型效果进行验证,研究结果表明,所提模型的MAPE、RMSE和MAE相较于传统的BiLSTM模型分别降低了0.013 1,2.929 6和1.841 3,取得了很好的效果,为后续优化控制提供了良好的基础。